CN114021833A - 一种线损预测方法、系统、存储介质及计算设备 - Google Patents
一种线损预测方法、系统、存储介质及计算设备 Download PDFInfo
- Publication number
- CN114021833A CN114021833A CN202111347203.4A CN202111347203A CN114021833A CN 114021833 A CN114021833 A CN 114021833A CN 202111347203 A CN202111347203 A CN 202111347203A CN 114021833 A CN114021833 A CN 114021833A
- Authority
- CN
- China
- Prior art keywords
- data
- partition
- line loss
- utilization data
- electricity utilization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种线损预测方法、系统、存储介质及计算设备,本发明对用电数据进行分区,对各分区用电数据进行降维处理,获得主元数据,对主元数据进行聚类分析构建回归模型,基于回归模型实现台区线损的精确预测,可实现台区线损的精细化管理。
Description
技术领域
本发明涉及一种线损预测方法、系统、存储介质及计算设备,属于线损预测领域。
背景技术
为进一步巩固同期线损系统建设成果,提升电网经济运行水平,就需要实现台区线损精细化管理,而实现台区线损精细化管理的前提是精确预测台区线损,目前还没有精确预测台区线损的方法。
发明内容
本发明提供了一种线损预测方法、系统、存储介质及计算设备,解决了背景技术中披露的问题。
为了解决上述技术问题,本发明所采用的技术方案是:
一种线损预测方法,包括:
获取台区用户的用电数据;
根据用户用电类型,将用电数据划分为若干个分区用电数据;
对各分区用电数据进行降维处理,获得各分区用电数据中的主元数据;
对各分区用电数据中的主元数据进行聚类分析,构建各分区的回归模型;
将台区特征数据带入所在分区的回归模型,预测台区线损。
还包括对用户用电数据进行预处理的步骤,包括:
在划分分区用电数据之前,采用数据归约技术对获取的台区用户用电数据进行预处理。
对各分区用电数据进行降维处理,获得各分区用电数据中的主元数据,包括:
采用主成分分析法对各分区用电数据进行降维处理,获得各分区用电数据中的主元数据。
对各分区用电数据中的主元数据进行聚类分析,构建各分区的回归模型,包括:
对各分区用电数据中的主元数据进行聚类分析,获得主元数据聚类分析结果;
根据主元数据聚类分析结果,采用多元线性回归方法,构建各分区的回归模型。
一种线损预测系统,包括:
数据获取模块:获取台区用户的用电数据;
分区模块:根据用户用电类型,将用电数据划分为若干个分区用电数据;
主元数据获取模块:对各分区用电数据进行降维处理,获得各分区用电数据中的主元数据;
回归模型构建模块:对各分区用电数据中的主元数据进行聚类分析,构建各分区的回归模型;
线损预测模块:将台区特征数据带入所在分区的回归模型,预测台区线损。
还包括预处理模块,预处理模块:在划分分区用电数据之前,采用数据归约技术对获取的台区用户用电数据进行预处理。
主元数据获取模块:采用主成分分析法对各分区用电数据进行降维处理,获得各分区用电数据中的主元数据。
回归模型构建模块包括:
聚类分析模块:对各分区用电数据中的主元数据进行聚类分析,获得主元数据聚类分析结果;
构建模块:根据主元数据聚类分析结果,采用多元线性回归方法,构建各分区的回归模型。
一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行线损预测方法。
一种计算设备,包括一个或多个处理器、一个或多个存储器以及一个或多个程序,其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行线损预测方法的指令。
本发明所达到的有益效果:本发明对用电数据进行分区,对各分区用电数据进行降维处理,获得主元数据,对主元数据进行聚类分析构建回归模型,基于回归模型实现台区线损的精确预测,可实现台区线损的精细化管理。
附图说明
图1为本发明方法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,一种线损预测方法,包括以下步骤:
步骤1,获取台区用户的用电数据;
步骤2,根据用户用电类型,将用电数据划分为若干个分区用电数据;
步骤3,对各分区用电数据进行降维处理,获得各分区用电数据中的主元数据;
步骤4,对各分区用电数据中的主元数据进行聚类分析,构建各分区的回归模型;
步骤5,将台区特征数据带入所在分区的回归模型,预测台区线损。
上述方法先对用电数据进行分区,对各分区用电数据进行降维处理,获得主元数据,对主元数据进行聚类分析构建回归模型,基于回归模型实现台区线损的精确预测,可实现台区线损的精细化管理。
在进行线损预测时,先从电力自动化监测系统获取所有台区用户的用电数据,由于用电数据的量较大,这势必会导致后续计算工作量庞大,因此可采用数据归约技术对获取的所有台区用户用电数据进行预处理,从而减低数据的规模。这里的数据归约技术为聚集、删除冗余特征或聚类,如使用pandas correlation函数批量删除相关性冗余特征。
然后根据用户用电类型,将用电数据划分为若干个分区用电数据;如:根据农村用户、城市用户等,将用电数据划分为农村用户1用电数据、农村用户2用电数据、农村用户3用电数据、…、城市用户1用电数据、城市用户2用电数据、城市用户3用电数据等,一个X个分区,X为正整数。
针对每个分区,采用主成分分析法对各分区用电数据进行降维处理,即降低数据的空间维度,获得各分区用电数据中相互独立的的主元数据;其中,主成分分析法过程可以为:1)数据标准化;2)指标之间的相关性判定;3)确定主成分;4)主成分表达并计算;该方法为现有方法,这里不详细描述了。
对各分区用电数据中的主元数据进行聚类分析,如K-均值、高斯混合或者谱聚类方法等,获得主元数据聚类分析结果,即得到N个分类;根据主元数据聚类分析结果,采用多元线性回归方法,构建各分区的回归模型;其中,多元线性回归方法通过Matlab、spss或SAS软件实现。
回归模型可用公式表示为:
yi=b0+b1x1+b2x2+...+bkxk+μi
其中,b0为常数项,b1、 b2、…、 bk为回归系数;μi为随机误差。
将台区特征数据带入所在分区的回归模型,预测台区线损。
上述方法先将台区用户用电数据进行预处理,降低数据的规模,对用电数据进行分区,然后对用电数据进行主成分分析,对分析后的主元数据进行聚类分析,利用多元线性回归方法建立各分区的回归模型,能够精确预测台区线损,实现台区线损的精细化管理。
基于相同的技术方案,本发明还公开了一种线损预测系统,包括:
数据获取模块:获取台区用户的用电数据。
预处理模块:在划分分区用电数据之前,采用数据归约技术对获取的台区用户用电数据进行预处理。
分区模块:根据用户用电类型,将用电数据划分为若干个分区用电数据。
主元数据获取模块:采用主成分分析法对各分区用电数据进行降维处理,获得各分区用电数据中的主元数据。
回归模型构建模块:对各分区用电数据中的主元数据进行聚类分析,构建各分区的回归模型。
回归模型构建模块包括:
聚类分析模块:对各分区用电数据中的主元数据进行聚类分析,获得主元数据聚类分析结果;
构建模块:根据主元数据聚类分析结果,采用多元线性回归方法,构建各分区的回归模型。
线损预测模块:将台区特征数据带入所在分区的回归模型,预测台区线损。
基于相同的技术方案,本发明还公开了一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行线损预测方法。
基于相同的技术方案,本发明还公开了一种计算设备,包括一个或多个处理器、一个或多个存储器以及一个或多个程序,其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行线损预测方法的指令。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (10)
1.一种线损预测方法,其特征在于,包括:
获取台区用户的用电数据;
根据用户用电类型,将用电数据划分为若干个分区用电数据;
对各分区用电数据进行降维处理,获得各分区用电数据中的主元数据;
对各分区用电数据中的主元数据进行聚类分析,构建各分区的回归模型;
将台区特征数据带入所在分区的回归模型,预测台区线损。
2.根据权利要求1所述的一种线损预测方法,其特征在于,还包括对用户用电数据进行预处理的步骤,包括:
在划分分区用电数据之前,采用数据归约技术对获取的台区用户用电数据进行预处理。
3.根据权利要求1所述的一种线损预测方法,其特征在于,对各分区用电数据进行降维处理,获得各分区用电数据中的主元数据,包括:
采用主成分分析法对各分区用电数据进行降维处理,获得各分区用电数据中的主元数据。
4.根据权利要求1所述的一种线损预测方法,其特征在于,对各分区用电数据中的主元数据进行聚类分析,构建各分区的回归模型,包括:
对各分区用电数据中的主元数据进行聚类分析,获得主元数据聚类分析结果;
根据主元数据聚类分析结果,采用多元线性回归方法,构建各分区的回归模型。
5.一种线损预测系统,其特征在于,包括:
数据获取模块:获取台区用户的用电数据;
分区模块:根据用户用电类型,将用电数据划分为若干个分区用电数据;
主元数据获取模块:对各分区用电数据进行降维处理,获得各分区用电数据中的主元数据;
回归模型构建模块:对各分区用电数据中的主元数据进行聚类分析,构建各分区的回归模型;
线损预测模块:将台区特征数据带入所在分区的回归模型,预测台区线损。
6.根据权利要求5所述的一种线损预测系统,其特征在于,还包括预处理模块,预处理模块:在划分分区用电数据之前,采用数据归约技术对获取的台区用户用电数据进行预处理。
7.根据权利要求5所述的一种线损预测系统,其特征在于,主元数据获取模块:采用主成分分析法对各分区用电数据进行降维处理,获得各分区用电数据中的主元数据。
8.根据权利要求5所述的一种线损预测系统,其特征在于,回归模型构建模块包括:
聚类分析模块:对各分区用电数据中的主元数据进行聚类分析,获得主元数据聚类分析结果;
构建模块:根据主元数据聚类分析结果,采用多元线性回归方法,构建各分区的回归模型。
9.一种存储一个或多个程序的计算机可读存储介质,其特征在于:所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据权利要求1至4所述的方法中的任一方法。
10.一种计算设备,其特征在于,包括:
一个或多个处理器、一个或多个存储器以及一个或多个程序,其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据权利要求1至4所述的方法中的任一方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111347203.4A CN114021833A (zh) | 2021-11-15 | 2021-11-15 | 一种线损预测方法、系统、存储介质及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111347203.4A CN114021833A (zh) | 2021-11-15 | 2021-11-15 | 一种线损预测方法、系统、存储介质及计算设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114021833A true CN114021833A (zh) | 2022-02-08 |
Family
ID=80064171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111347203.4A Pending CN114021833A (zh) | 2021-11-15 | 2021-11-15 | 一种线损预测方法、系统、存储介质及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114021833A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115689074A (zh) * | 2023-01-05 | 2023-02-03 | 北京飞利信信息安全技术有限公司 | 一种台区电网建设规划方法、装置、电子设备及存储介质 |
-
2021
- 2021-11-15 CN CN202111347203.4A patent/CN114021833A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115689074A (zh) * | 2023-01-05 | 2023-02-03 | 北京飞利信信息安全技术有限公司 | 一种台区电网建设规划方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107330516B (zh) | 模型参数训练方法、装置及系统 | |
US20170109323A9 (en) | Techniques to perform data reduction for statistical tests | |
CN104407688A (zh) | 基于树回归的虚拟化云平台能耗测量方法及系统 | |
CN103034525A (zh) | 云计算环境中一种基于性能计数器的虚拟机功耗测量方法 | |
CN112465146A (zh) | 一种量子与经典混合云平台以及任务执行方法 | |
CN106021480A (zh) | 一种基于网格划分的并行空间划分方法及其系统 | |
CN112365070A (zh) | 一种电力负荷预测方法、装置、设备及可读存储介质 | |
CN105445792A (zh) | 一种叠前多次波逆时偏移地震数据处理方法及系统 | |
CN108776673A (zh) | 关系模式的自动转换方法、装置及存储介质 | |
CN110377519B (zh) | 大数据系统的性能容量测试方法、装置、设备及存储介质 | |
CN114021833A (zh) | 一种线损预测方法、系统、存储介质及计算设备 | |
Rizvandi et al. | On modeling dependency between mapreduce configuration parameters and total execution time | |
CN108287876B (zh) | 支持多种格式的电能质量数据服务质量检测方法和装置 | |
CN106844175B (zh) | 一种基于机器学习的云平台容量规划方法 | |
CN109711642B (zh) | 基于大数据的脱硫系统运行优化方法和系统 | |
CN103984832A (zh) | 一种铝电解槽电场仿真分析方法 | |
CN106843822B (zh) | 一种执行代码生成方法及设备 | |
CN108427742B (zh) | 一种基于低秩矩阵的配电网可靠性数据修复方法及系统 | |
Ismaeel et al. | A systematic cloud workload clustering technique in large scale data centers | |
CN107194529B (zh) | 基于挖掘技术的配电网可靠性经济效益分析方法及装置 | |
CN115994029A (zh) | 容器资源调度方法及装置 | |
CN104090813A (zh) | 一种云数据中心的虚拟机cpu使用率的分析建模方法 | |
CN105468726A (zh) | 基于本地计算和分布式计算的数据计算方法及系统 | |
CN113298120B (zh) | 基于融合模型的用户风险预测方法、系统和计算机设备 | |
CN109359800A (zh) | 一种配电自动化主站系统运行状态的评价方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |